關于電影票房的市場調查報告
——網絡口碑與電影票房的實證研究

南京郵電大學管理學院貝爾學院 闖家梁 許世珍 胡全峰

關于電影票房的市場調查報告
——網絡口碑與電影票房的實證研究

南京郵電大學管理學院貝爾學院 闖家梁 許世珍 胡全峰

摘 要：本文立足于中國電影市場的實際情況，通過定量分析選取了電影票房的影響因素模型。同時將網絡口碑作為自變量，之后又將網絡口碑分為網站評分和網友評論兩個因子；將電影票房作為因變量，引入電影制作因素、電影宣傳因素作為調節變量，探討各變量對于電影票房的影響，以及調節變量與網絡口碑的交互效應。在此基礎上，筆者認為中國電影應該重視影片內容的鍛造，豐富影片文化內涵，增強網絡口碑的作用。

關鍵詞：網絡口碑 電影票房 網站評分 網友評論

對中國電影產業來講，2015年又是一個“戰績”輝煌的年份。2015年全國影院總票房為440.69億元，占全球總票房的17.8%，居世界第二位；國產片票房達到271.36億元人民幣，占總票房的61.58%，觀眾觀影人次126036.58萬人，放映場次5438萬場，電影產業的各項指標均取得了較大幅度的增長，中國電影市場發展良好。

而隨著互聯網的發展，中國電影輿情生態呈現出多元交織的局面，網絡傳播渠道、社交媒體與其他傳播渠道構成了當前中國電影產業的網上輿論場，將影片、電影人、電影產業、電影市場的情緒、認知、態度、情感及行為傾向全方位、多角度地呈現出來。從近幾年的情況看，發現網絡口碑對消費者的觀影選擇具有顯著影響，口碑評價越高，其票房收入越高。然而，2013年的《富川山居圖》在格瓦拉上的評分為3.7分，被封為史上第一爛片，但在意見領袖的傳播下，雖然在網上被罵得很爛，但《富川山居圖》的票房扶搖直上，兩天過億，上映一周票房高達2.5億。隨著豆瓣、時光網等電影評分欄目的興起，越來越多的觀眾在觀影前會查看其他觀影者的評分或者是影評。因此，本文希望研究了解網絡口碑對電影票房產生的影響。

1　 理論基礎與模型

網絡口碑是借助于互聯網媒介而進行的口碑傳播，傳播范圍較廣，且口碑形式有形化。通過網絡開展電子商務最核心的價值和競爭力，即在于其中的評論信息形成的輿論導向，這對電影觀眾決策具有非常重要的影響。Hanson(2000)將這種傳播形式也稱作電子口碑(Electronic WOM)或者在線口碑(Online WOM)，認為這種傳播方式以網絡為媒介，通過電子郵件、在線論壇和討論區等形式進行口碑傳播。

Chaffee和Steven(1982)根據信息可訪問性及可影響性理論，證實群體之間關于電影的交流一定存在，并且這種交流會對消費者的購買決策產生影響。同時電影本身的特殊性無法使觀眾在觀看電影前對其內容質量等做出判斷與評價，而當觀眾在購買決策過程中產生評價與評估困難時，按照口碑來搜尋產品信息經常成為優先選擇。電影口碑信息對消費者購買決策的形成會產生巨大影響。

網絡口碑一般指網絡用戶產生的內容，總體而言主要包括網絡評論數量、網絡評論效價及網絡評分分布。網絡評論數量的多少反映了電影關注度的大小，越多的人討論某部電影，則說明越多的人能夠知曉這部電影。網絡評論效價指人們對于電影持有的正面、負面或者中性的評價，意味著網絡口碑的說服力。網絡評分將網絡用戶對于電影的評價進行了量化，既簡單明了地表達對于電影的評價，也使信息搜尋者更為直接地獲得網絡口碑信息。在我國，電影口碑對觀眾消費意愿的影響變得越來越顯著。口碑好的電影能夠取得優異的票房佳績；反之，就非常有可能面臨票房驟減的后果。從某種程度上我們可以說，電影口碑對電影票房的作用越來越具有決定性。

本文在吸取國內外專家學者Yong Liu網絡口碑模型的基礎上，立足于中國電影市場的實際情況，通過定量分析選取電影票房影響因素的模型。同時將網絡口碑作為自變量，又將網絡口碑分為網站評分與網友評論兩個因子；將電影票房作為因變量，引入電影制作因素、電影宣傳因素作為調節變量，探討各變量對于電影票房的影響以及調節變量與網絡口碑的交互效應如圖1。

圖1 網絡口碑模型

2　 研究設計

(1)抽樣設計。采用分層抽樣與簡單隨機抽樣相結合。依據中國大陸地區觀影總人數，計算出本次調研最低樣本量為12,441,770人，依據各區域(將中國劃分為七大地理區域)票房計算出其占全國的比例，并分為三個層次，每個層次中通過簡單隨機抽樣抽取一個地區作為代表，抽取結果為華東地區、華北地區、東北地區。

采用簡單隨機抽樣。將華東地區、華北地區、東北地區各省份列表并編號，通過生成的隨機數表，隨機選取省份，選取數量依據各地票房貢獻率結果如下，華東地區：上海、江蘇、山東；華北地區：北京、山西；東北地區：遼寧。采用非概率抽樣中的配額抽樣，依據各省份票房貢獻比率，將每個區域的問卷分配到所抽省份，使得分配的問卷量與其票房貢獻率成正比。

采用簡單隨機抽樣，將上海、江蘇、山東、北京、山西、遼寧各省份的TOP影院列表并編號，通過生成的隨機數表，隨機選取影院，選取數量依據各省份票房貢獻率。問卷發放時，根據所求出的各個省份所需樣本量有選擇性地進行發放。

(2)調查方法與數據特征。從各大影院查詢其開放時間基本為9∶30～23∶30，考慮到觀影人群基本集中于工作日中午或晚間、雙休日，我們選擇在人群較為集中的時間發放問卷，較多選擇正在等待的人群，有較多空閑時間。

通過計算，在99%的置信水平下，以10%作為抽樣誤差，在男女各0.5的比例期望值的情況下，通過計算，得出理想的樣本量應為166份。最終共回收有效問卷140份，問卷的有效率為88.55%。

(3)電影票房與高校數量。根據2013年，中國電影發行放映協會的一項調查數據顯示，中國的電影觀眾平均年齡為21.5歲；2014年略微有所上升，但也就22歲上下。“85后”占比70%，在校大學生每年貢獻數十億票房，在校時形成的去影院觀影的習慣，畢業后轉變為都市白領。因此，我們調查了大陸各省高校數量與累計票房。

(4)電影票房與網絡口碑。依據電影票房數據庫2015年11月最新數據顯示，我們選取了中國大陸地區票房位列前100位的電影，并從網上查詢相對權威的電影評分網站時光網、豆瓣網對其相應的評分狀況，以考查電影票房與網絡口碑是否具有相關關系。

3　 數據分析

(1)信效度分析。在項目整體統計量表中，各分量表的Cronbach’s α值都大于0.7，且總量表的Cronbach’s α值大于0.9，故總量表和分量表的信度檢驗通過，該量表具有比較良好的信度。

(2)交叉分析。我們分別對性別與觀影次數、性別與喜愛電影類型進行了交叉分析。得到如下結論：每年去影院觀影次數集中分布在5次以下以及5～10次兩個頻率。表明大多數人去影院觀影的次數較少。同時可以看出男女在觀影次數上的差別不大。說明性別對于觀影次數的影響不顯著。男女在喜愛的電影類型上是有一定的差異。男性最喜歡的電影類型是科幻片，其次是喜劇片。而女性最喜歡的電影類型為喜劇片，其次是愛情片。由此表明，性別對電影類型的選擇有顯著的影響。

(3)量表均值分析。通過對量表的均值分析得到如下結論：大多人看中的是電影的故事情節和故事類型，也就是說大多數人關注的是電影本身；人們比較關注電影的宣傳情況，尤其是明星效應，同時網絡評分也是一個重要的因素，表明大家比較關注電影本身的情節，同時也是比較客觀的選擇；影迷對于電影評分網站的信任程度較高，對于網友評論持相對懷疑的態度。

(4)相關性分析。本文選取2015年在中國內地上映的票房排名前100位的影片作為研究對象，對每部影片的網絡口碑、類型、是否為續集或翻拍電影、產地、上映日期、演員及導演、票房收入等相關數據進行實證分析。對各變量進行顯著性檢驗，網絡口碑與電影票房存在顯著相關性；調節變量中，電影類型、電影是否為翻拍續集或改編、導演號召力與電影票房的相關性顯著；電影產地、電影檔期、演員號召力與電影票房不存在顯著相關性。

4　 研究結論與建議

本文首先對采用問卷法調查影迷認為的影響電影票房的因素。結果表明，電影內容與電影類型以及網絡評分是影響電影票房的主要因素。實證研究部分，借鑒以往研究成果，建立理論模型、設計問卷、收集數據。接著選取2015年的前100位影片作為研究對象，經過對各變量進行顯著性檢驗，作為自變量的網絡口碑與電影票房存在顯著相關性，電影類型、電影是否為翻拍續集或改編、導演號召力與電影票房的相關性顯著。針對以上結論，我們提出以下建議。

(1)關注電影本身，提高電影的制作水平，以質量獲取高票房。電影的內容與電影的類型是吸引影迷買票的主要因素。而電影作為一種文化產品，給予消費者精神層面的滿足，電影本身質量是其取得好口碑和高票房的根本要素。基于此，制片方理當先關注電影本身，注重電影題材、內容和拍攝質量等方面的改進，進行突破創新，增強電影本身對觀眾的吸引力，樹立電影自身品牌，提高價值，收獲高票房。

(2)著重關注口碑效應及對應營銷，采用多種多樣的宣傳方式來提高電影的關注度。電影本身的特殊性無法使觀眾在觀看電影前對其內容質量等做出判斷與評價，而當觀眾在購買決策過程中產生評價與評估困難時，按照口碑來搜尋產品信息經常成為第一選擇。以電影為中心引發的任何話題都可以形成一定的口碑效應，提高觀眾對于電影的知曉度和關注度，才能使電影獲得高票房。

(3)發揮網絡口碑的積極作用。電影的網絡口碑主要包括網站評分與網友評論，兩個因素都在很大程度上影響了網絡口碑對觀眾的影響力。電影制片方和發行方應積極有效把握網絡口碑的這兩個屬性，盡可能發揮其積極作用，推動人們更多在網絡平臺參與電影討論，并引導其做出更多正面的評價。電影制片方和發行方可以建立相關電影口碑網站與電影的合作，激勵、鼓勵人們盡可能多的在口碑網站上發表對于電影的評論和感受。

參考文獻

［1］龔詩陽，劉霞，劉洋，趙平.網絡口碑決定產品命運嗎——對線上圖書評論的實證分析［J］.南開管理評論，2012（4）.

［2］史偉，王洪偉，何紹義.基于微博情感分析的電影票房預測研究［J］.華中師范大學學報（自然科學版），2015（01）.

［3］汪旭暉，王軍.網絡口碑如何影響電影票房——中國電影“高票房低口碑”現象反思［J］.湖南師范大學社會科學學報，2015（02）.

［4］周明升，韓冬梅.基于社交媒體用戶評論和關注度的電影票房預測模型［J］.微型機與應用，2014（18）.

中圖分類號：F49

文獻標識碼：A

文章編號：2096-0298（2016）06（b）-006-02